A veces es importante que los residuos son homoscedástica. Es decir, que la varianza de los residuos es el mismo independientemente de donde debemos medir la variación de los residuos de magnitud en el eje x. Por ejemplo, suponga que el error de la medición aumenta proporcionalmente por el aumento de los valores de y. Entonces podríamos tomar el logaritmo de los valores antes de realizar la regresión. Si esto es hecho, la calidad de ajuste aumenta en comparación con el ajuste de un error de proporción en el modelo sin tomar un logaritmo. En general para obtener homoscedasticity, podría tener que tomar el recíproco de la y o eje x de datos, el logaritmo(s), el cuadrado o raíz cuadrada, o aplicar una exponencial. Una alternativa a esto es el uso de una función de ponderación, por ejemplo, a la regresión proporcional de a y-el valor de error problema, podemos encontrar que minimizar (y−model)2y2(y−model)2y2 funciona mejor que minimizar (y−model)2(y−model)2.
Habiendo dicho eso, es frecuente que la fabricación de los residuos más homoscedástica hace más de una distribución normal, pero con frecuencia, la homoscedástica de la propiedad es más importante. Esto último dependerá de por qué estamos llevando a cabo la regresión. Por ejemplo, si la raíz cuadrada de los datos es más normalmente distribuida de tomar el logaritmo, pero el error es proporcional tipo, entonces t-pruebas de que el logaritmo será más potente para detectar una diferencia entre las poblaciones o de las mediciones, pero para encontrar el valor esperado (modo) debemos utilizar la raíz cuadrada de los datos.
Por otra parte, es frecuente que no queremos una respuesta que nos da un mínimo de error de predicción de los valores del eje y, y los regresiones pueden ser fuertemente sesgada. Por ejemplo, a veces puede que quiera retroceder por lo menos error en x. O a veces sentimos el deseo de descubrir la relación entre y y x, que no es entonces una rutina de regresión problema. Podríamos entonces el uso de Theil, es decir, la mediana de la pendiente de la regresión, como un simple compromiso entre x y y menos de error de la regresión. O si sabemos lo que la varianza de la repetición de las medidas es para tanto x e y, se podría utilizar la regresión de Deming. Theil de regresión es mejor cuando tenemos valores atípicos, que hacer cosas horribles a los resultados de la regresión. Y, por la pendiente de la regresión, poco importa si los residuos siguen una distribución normal o no.
. Sin embargo, no acabo de entender el punto de la obtención de los residuales para cada punto de datos y maceración de que juntos en una única parcela.
